LAI无人机多光谱遥感估测及其在盐渍土改良中的应用

【目的】植被产量能综合直观地反映盐渍土改良效果,冬小麦生长旺盛期的叶面积指数(LAI)是植被产量的常用衡量指标。本研究利用无人机多光谱遥感获取冬小麦生长旺盛期的叶面积指数分布数据,对盐渍土改良效果进行客观准确评价,为人们筛选盐渍土改良技术和产品提供科学指导。【方法】以无棣县渤海粮仓滨海盐渍土改良试验区为研究区,基于无人机多光谱遥感数据,利用线性回归分析、偏最小二乘、随机森林和支持向量机等方法,构建拔节期冬小麦LAI反演模型;并利用因子分析法对盐渍土地区抽样地块进行改良效果评价,建立盐渍土改良效果LAI评价模型,基于该评价模型对整个试验区盐渍土改良效果进行评价。【结果】对冬小麦LAI遥感估测而言,并不是分辨率越高越好,而是5×5均值平滑后的光谱数据与一垄小麦叶面积指数的对应最佳。LAI遥感估测模型中,利用支持向量机建立的模型精度最高。改良效果LAI评价模型的预测结果表明,LAI对盐渍土改良效果的预测精度较高,改良效果最优地块的编号为26、27、28、29、30和31,最优改良方法为引黄淤灌和增施有机肥综合改良措施。【结论】无人机遥感可对盐渍土地区拔节期冬小麦的叶面积指数进行准确反演,基于LAI反演结果的盐渍土改良效果评价能够从众多试验小区中定位出最优的改良效果。与传统方法相比,该方法具有成本低廉、精度高等优势,研究结果有广泛推广前景,可以为盐渍土的改良提供重要技术支持。     

基于随机森林算法的冬小麦叶面积指数遥感反演研究

【目的】通过利用随机森林算法（random forest,RF）反演冬小麦叶面积指数（leaf area index, LAI）,及时、准确地监测冬小麦长势状况,为作物田间管理和产量估测等提供科学依据。【方法】本研究依据冬小麦拔节期、挑旗期、开花期及灌浆期地面观测数据,将相关系数分析（correlation coefficient,r）和袋外数据（out-of-bag data,OOB）重要性分析与随机森林算法（random forest,RF）相结合,在优选光谱指数和确定最佳自变量个数的基础上,构建了两种冬小麦LAI反演模型|r|-RF和OOB-RF,并利用独立数据集对两种模型进行验证;然后,将所建LAI反演模型用于无人机高光谱影像,进一步检验所建模型对无人机低空遥感平台的适用性和可靠性。【结果】|r|-RF和OOB-RF反演模型分别采用相关性前5强、重要性前2强的光谱指数作为输入因子时精度最优,验证决定系数（R²）分别为0.805、0.899,均方根误差（RMSE）分别为0.431、0.307,表明这两个模型均能对作物LAI进行精确反演,其中OOB-RF模型的反演效果更好。利用无人机高光谱影像数据结合OOB-RF估算模型反演得到冬小麦LAI与地面实测值的拟合方程的决定系数R²为0.761,RMSE为0.320,数值范围（1.02-6.41）与地面实测（1.29-6.81）亦比较吻合。【结论】本文基于地面数据构建的OOB-RF模型不仅具有较高的反演精度,而且适用性强,可用于无人机高光谱遥感平台提取高精度的冬小麦LAI信息。     

冬小麦生育前期LAI 高光谱反演研究

【目的】冬小麦生育前期稀疏植被条件下叶面积指数反演对于播期、早期苗情监测有重要意义。【方法】文章利用实测冬小麦生育前期冠层高光谱数据,基于相关关系矩阵图筛选7个新的敏感植被指数、优选40个前人研究的双波段组合或多波段组合植被指数,利用单变量回归和偏最小二乘多变量回归分析47个植被指数与稀疏冬小麦叶面积指数(LAI)的相关性。【结果】植被指数PVR(650,550)、VARI(680,555,480)、RVI(1 868,1 946)与LAI相关性好,其中PVR(650,550)与LAI构建的模型拟合度最好,决定系数R~2为0.730,均方根误差RMSE为0.450。而相对单个植被指数,利用多个植被指数的偏最小二乘多元回归模型提高了LAI估算精度,R~2为0.779,RMSE为0.380。【结论】在冬小麦生育前期植被稀疏条件下,利用高光谱数据反演冬小麦LAI是可行的,可为冬小麦早期长势遥感监测提供支撑。     

基于高光谱的冬小麦叶面积指数估算方法

【目的】冬小麦叶面积指数是评价其长势和预测产量的重要农学参数,高光谱技术监测叶面积指数的方法能够实现快速无损的监测管理。本文旨在将田间监测和高光谱遥感相结合,探索研究中国南方江汉平原地区冬小麦的最佳波段、光谱参数及监测模型。【方法】研究选取江汉平原的湖北省潜江市后湖管理区,利用ASD地物光谱仪和SunScan冠层分析系统在田间对冬小麦的冠层光谱及叶面积指数的变化进行监测,并探讨高光谱植被指数与冬小麦叶面积指数之间的定量关系。通过相关性分析、回归分析等方法构建6种植被指数与冬小麦叶面积指数的反演模型。【结果】冬小麦冠层光谱反射率中近红外波段870 nm,红光波谷670 nm,绿光波峰550 nm,蓝光450 nm波段对叶面积指数变化最为敏感,通过构建植被指数与叶面积指数模型,相关性均较好,决定系数（R2）为0.675-0.757,其中NDVI反演模型的R2最高为0.757。【结论】经模型精度检验,NDVI植被指数反演模型的精度较其它模型好,较适合对研究样区的冬小麦进行叶面积指数反演。     

基于新型植被指数的冬小麦LAI高光谱反演

【目的】本研究旨在分析冠层叶片水分含量对作物冠层光谱的影响,构建新型光谱指数来提高作物叶面积指数高光谱反演的精度。【方法】在冬小麦水肥交叉试验的支持下,分析不同筋性品种、施氮量、灌溉量处理下的冬小麦叶面积指数冠层光谱响应特征,并分析标准化差分红边指数(NDRE)、水分敏感指数(WI)与叶面积指数的相关性,据此构建一个新型的植被指数——红边抗水植被指数(red-edge resistance water vegetable index,RRWVI)。选取常用的植被指数作为参照,分析RRWVI对于冬小麦多个关键生育期叶面积指数的诊断能力,随机选取约2/3的实测样本建立基于各种植被指数的叶面积指数高光谱响应模型,未参与建模的样本用于评价模型精度。【结果】研究结果表明,随着生育期的推进,冬小麦的叶面积指数呈先增加后降低的变化趋势,不同的水肥处理对冬小麦叶面积指数具有较大影响。开花期之后冬小麦LAI显著下降,强筋小麦(藁优2018)在整个生育期叶面积指数均高于中筋小麦(济麦22);不同氮水平下冬小麦冠层光谱反射率在近红外波段(720—1 350 nm)随着施氮量的增加而增大,与氮肥梯度完全一致,其中2倍氮肥处理的近红外反射率达到最高;不同生育期下冬小麦冠层光谱反射率变化波形大体一致;各个关键生育期的NDRE和WI均存在较高的相关性,而NDRE与LAI的相关性明显优于WI,新构建的植被指数RRWVI与LAI的相关性均优于NDRE、WI;虽然8个常用的植被指数均与LAI存在显著相关,但RRWVI与LAI相关性达到最大,其拟合曲线的决定系数R2为0.86。【结论】通过分析各种指数所构建的冬小麦叶面积指数高光谱反演模型,新构建的RRWVI取得了比NDRE、NDVI等常用植被指数更为可靠的反演效果,说明本研究新构建的红边抗水植被指数可有效提高冬小麦叶面积指数的精度。     

基于高光谱影像的玉米LAI反演模型研究

以吉林省长春西部地区合心与合隆镇为研究区,利用高光谱Hyperion遥感影像,结合与其同步实测LAI数据,分别建立影像波段与玉米LAI线性及非线性统计回归模型,最终选出以SAVI为自变量的指数函数模型y=1.717e1.064x为最优反演模型,其估测精度高达96.8%。经实验证实,高光谱遥感可以实现大范围、快速、较精确地获取玉米叶面积指数。     

基于高光谱影像的玉米LAI反演模型研究

以吉林省长春西部地区合心与合隆镇为研究区,利用高光谱Hyperion遥感影像,结合与其同步实测LAI数据,分别建立影像波段与玉米LAI线性及非线性统计回归模型,最终选出以SAVI为自变量的指数函数模型y=1.717e1.064x为最优反演模型,其估测精度高达96.8%。经实验证实,高光谱遥感可以实现大范围、快速、较精确地获取玉米叶面积指数。     

基于PLS 和组合预测方法的冬小麦收获 指数高光谱估测

【目的】通过遥感反演测量收获指数(HI),可节省时间和人力,但需要提高精度。通过权重最优组合算法改善收获指数估算精度,为基于多时相多光谱信息的HI遥感估算提供新方法参考。【方法】利用测定的冬小麦多个关键生育期的冠层光谱数据,对筛选的44种常用植被指数与实测收获指数进行相关性分析,挑选出每个育期中5种最优的典型植被指数;应用偏最小二乘(PLS)的方法建模,分别得到基于单个生育期光谱信息的HI遥感估测模型;借鉴组合预测原理,应用组合预测方法对全部单生育期的各HI光谱模型赋予最优权重,最终构建基于多生育期数据的HI光谱组合预测模型。【结果】(1)利用PLS后,单一生育期的建模结果较单一植被指数有所改进,但仍有待提高;(2)应用组合预测原理的HI组合预测模型,显著改善了HI的估测精度,R2达到0.55,较单生育期的建模预测,提升了13%。【结论】基于多生育期信息的组合预测方法,对各单一生育期HI预测模型赋予最优权重进行优化组合,实质间接利用了各生育期对作物HI形成的贡献,显著提高冬小麦收获指数的估测精度,是一种新颖的作物HI遥感估测方法。     

不同生育期冬小麦叶面积指数高光谱遥感估算模型

基于地面实测的冬小麦的生理生态参数数据和冠层光谱数据,分析返青期、拔节期、抽穗期、开花期冬小麦叶面积指数与原始光谱及其一阶微分的相关性,并构建基于等效TM数据的植被指数,建立不同生育时期的冬小麦叶面积指数(LAI)的高光谱遥感估算模型。结果表明:(1)返青期、拔节期、抽穗期的冬小麦LAI与原始光谱相关性较好,在400~720 nm波长范围内呈负相关,在720~900 nm之间呈正相关,开花期的冬小麦LAI与冠层光谱相关性较差;(2)返青期、拔节期冬小麦LAI与光谱一阶微分显著相关,分别在480~540 nm、550~580 nm形成波峰、波谷,在670~760 nm范围内形成"平台",相关系数达到0.8以上,但抽穗期、开花期LAI与光谱一阶微分的相关性较差;(3)在等效植被指数与返青期、拔节期和抽穗期LAI建立的回归模型中,分别使用m SRI、RVI与MSAVI2建立的幂函数模型或指数模型最佳,最优模型分别为y=0.053e4.962x,y=0.409x0.828,y=18.687x3.061,对应的r2分别为0.589、0.648、0.694,开花期不适宜使用等效植被指数建立遥感监测模型。     

基于分段方式选择敏感植被指数的冬小麦叶面积指数遥感反演

【目的】考虑到利用单一植被指数（VI）反演叶面积指数(LAI)时,存在着不同程度的饱和性和易受土壤背景影响的问题,提出通过分段的方式选择敏感植被指数形成最佳VI组合以提高LAI反演的精度。【方法】通过ACRM辐射传输模型模拟数据,结合地面实测光谱数据,选择常用的植被指数进行土壤敏感性分析以及饱和性分析确定LAI的分段点,并在此基础上分段选择最佳植被指数形成组合VI来实现LAI的最终反演,并利Landsat5 TM开展区域条件下冬小麦LAI反演应用。【结果】以LAI=3是较为适宜的分段点,利用植被指数最佳分段组合OSAVI(LAI≤3)+TGDVI(LAI>3)可在一定程度上有效克服土壤影响因素以及饱和性问题,联合反演的结果明确优于单一植被指数反演精度。【结论】通过分段选择最佳植被指数形成联合VI可以有效提高LAI反演精度。     

无人机多光谱反演黄河口重度盐渍土盐分的研究

【目的】为提高土壤盐分信息定量遥感提取精度,准确掌握土壤盐渍化程度与分布。【方法】选择垦利区黄河口镇集中连片的重度盐渍土区域为试验区,于2018年4月26日—28日采用搭载Sequoia多光谱相机的无人机进行试验区近地遥感图像采集,并进行图像拼接、辐射校正、正射校正和几何校正等预处理;然后基于相关性分析、灰色关联度分析筛选土壤盐分的敏感波段,构建并筛选光谱参量;进而分别采用多元线性回归（multivariable linear regression,MLR）、支持向量机（support vector machine,SVM）及偏最小二乘（partial least square,PLS）方法构建土壤盐分定量反演模型,并进行验证与评价;最后基于最佳模型进行试验区土壤盐分的分布反演与分析,并与反距离加权插值结果进行精度比较。【结果】相较相关性分析,通过灰色关联度分析的反演模型精度及显著性均有所提高;对比3种建模方法,SVM模型精度最高,PLS模型次之,MLR模型最低,最佳模型为基于灰色关联度分析筛选变量的支持向量机模型,其建模R ²、RMSE分别为0.820、3.626,验证R ²、RMSE、RPD分别为0.773、4.960、2.200;据此模型反演得到该区域土壤盐分含量为0.323—21.210 g·kg ^-1,平均值为6.871 g·kg ^-1,重度盐渍土占58.094%,与实地调查结果较为一致;反演结果与反距离加权插值结果的误差80%控制在样本盐分含量平均值的20%以内,亦较为相近。 【结论】基于无人机多光谱可实现重度盐渍土盐分信息的准确提取。     

基于Sentinel卫星及无人机多光谱的滨海冬小麦种植区土壤盐分反演研究——以黄三角垦利区为例

【目的】探究黄河三角洲麦田土壤盐分准确高效的遥感提取方法,掌握土壤盐渍化程度与分布。【方法】以垦利区为研究区,均匀布设冬小麦种植区样点77个,同时设置代表性试验区2个,网格布设样点99个,实测采集麦田土壤表层盐分数据及试验区无人机多光谱图像。筛选红、绿、红边、近红4个波段及SI、NDVI、DVI、RVI、GRVI 5个光谱指数中的敏感光谱参量,采用逐步回归、偏最小二乘法、BP神经网络及SVM支持向量机4种方法建立土壤盐分估测模型,使用波段比值均值法得到Sentinel-2A卫星影像相应波段的修正系数,进而将筛选的土壤盐分估测模型转换为基于卫星影像的反演模型,经麦区实测样点数据验证,得到最佳的麦区土壤盐分反演模型,实现试验区和研究区2个尺度的麦田土壤盐分反演。【结果】无人机4个波段及光谱指数NVDI、RVI、SI与土壤盐分含量相关性显著,4种建模方法的13个模型中,以NDVI、RVI、SI建立的4个指数模型的建模及验证R²均优于其他模型;对4个模型进行升尺度修正及验证,效果最佳的反演模型为偏最小二乘法光谱指数模型：Y=-9.4774×NDVI₁+0.4794×RVI₁+3.0747×SI₁+5.0604,验证R²为0.513,RMSE为1.379;利用该模型反演得到了试验区及整个研究区麦田土壤盐分等级分布图,结合实测插值及调查结果,证明反演模型及空间分布结果准确、可靠。【结论】本研究构建了卫星、无人机一体化的滨海麦区土壤盐分反演模型,对滨海盐渍区农作物的生产管理有积极参考价值。     

区域总量控制下的冬小麦种植面积空间分布优化

【目的】利用传统遥感与抽样相结合的方法进行农作物种植面积测量,只能获得区域总量,无法有效获取农作物种植面积空间分布信息。针对以上不足,开展区域总量控制下的冬小麦种植面积空间分布优化研究,从而提高冬小麦种植面积测量的空间分布精度。【方法】将整个遥感影像像元划分为3部分:"纯净冬小麦像元"、"混合冬小麦像元"和"典型非冬小麦像元"。综合软、硬分类方法各自的优势,在区域冬小麦总量面积一定的前提下,设定阈值确定混合冬小麦像元的空间分布范围。【结果】传统遥感与抽样相结合的方法提取出的冬小麦结果RMSE为0.13,优于硬分类方法(RMSE为0.16)和软分类方法(RMSE为0.20)。【结论】区域总量控制下的软、硬分类方法能够有效地对冬小麦种植面积空间分布进行优化,既保证了区域测量精度,又提高了空间分布的准确性。     

用PLS算法由HJ-1A/1B遥感影像估测区域冬小麦理论产量

【目的】作物遥感估产是遥感技术在农业生产中研究与应用的重点领域,能够向大田区域生产提供及时可靠的产量信息,准确地估测作物产量,对于确保国家粮食安全,制定社会发展规划,指导和调控宏观种植业结构调整,提高涉农企业与农民的经营管理水平具有重要意义,为进一步提高遥感估产精度,显示国产影像在农业估产中的应用效果。通过筛选冬小麦理论产量的敏感遥感变量,构建基于国产影像的理论产量遥感估测模型,实现区域冬小麦理论产量遥感估测,为及时了解不同生态区域冬小麦产量丰欠变化趋势提供参考。【方法】以2010年4月26日、2011年4月28日、2012年4月28日和2013年5月2日冬小麦开花期四景HJ-1A/1B影像为遥感数据,提取出13个遥感变量,以江苏省泰兴、姜堰、仪征、兴化、大丰5县作为试验采样区,于各实验区选取具有代表性的样点进行采样,并于室内进行测定,将335个实测的冬小麦理论产量样本按3﹕2比例分成建模集和验证集样本,依据估算残差平方和处于最小值确定模型所需主成分数,将决定系数、均方根误差和相对误差为模型评价参数,利用建模集样本分析了卫星遥感变量与冬小麦理论产量的定量关系,运用偏最小二乘回归算法构建及验证了以理论单产为目标的多变量遥感估产模型,将其算法模型估产效果与线性回归算法和主成分分析算法模型进行比较,并制作了冬小麦理论产量空间等级分布图。【结果】理论产量与所选的大多数遥感变量间关系密切,且多数遥感变量两两间具有极显著的多重相关性;理论产量偏最小二乘回归模型的最佳主成分数为4,且结构加强色素植被指数、归一化植被指数、绿色归一化植被指数和植被衰减指数为理论产量遥感估测的敏感变量;经建模集和验证集评价,理论产量估测模型的决定系数分别为0.79和0.76,均方根误差分别为720.45和928.05 kg·hm^-2,相对误差分别为11.45%和13.92%,且估测精度比线性回归算法分别提高了25%以上和27%以上,比主成分分析算法分别提高了15%以上和16%以上,说明偏最小二乘回归算法模型估测区域理论产量的效果明显好于线性回归和主成分分析算法,且具有较强的应用能力。【结论】该模型应用结果与冬小麦理论产量实际区域分布情况相符合,为提高遥感对区域冬小麦理论产量的估测精度提供了一种有效途径,有利于大面积应用和推广。     

基于无人机可见光遥感的棉花面积信息提取

【目的】针对传统大区域棉花种植信息提取方法相对落后的问题,运用面向对象的影像分析方法,对无人机遥感试验获取的可见光影像进行棉花种植信息的提取。【方法】选用双子星MyFlyDream MTD固定翼无人机搭载佳能EF-M 18-55相机,获取新疆建设兵团第八师135团的可见光影像,借助eCognition软件平台,运用面向对象的方法对研究区内棉花种植信息进行提取试验。【结果】目视解译提取的棉花种植面积为0.35 km²,面向对象提取的棉花种植面积为0.33 km²,分类结果精度为94.29%,误差系数为5.71%,可以有效地提取研究区域棉花种植信息。【结论】面向对象的分类方法相比于传统的基于像素的分类方法提取精度更高,更加接近于目视解译的提取结果。     

HJ-1号卫星数据与统计抽样相结合的冬小麦区域面积估算

【目的】探讨利用HJ-1号卫星遥感数据进行冬小麦种植面积测量的可行性,并进一步结合统计抽样的方法,估算区域冬小麦种植面积,解决单靠遥感进行冬小麦种植面积测量时多期影像信息误差积累和生长差异性影响的问题。【方法】以北京市为研究区,采用多时相HJ-1号卫星遥感数据与分层抽样相结合的方法进行冬小麦种植面积测量:利用多时相HJ-1号卫星遥感数据获取冬小麦遥感识别结果(56506.67hm2),结合耕地地块数据建立入样总体,以耕地地块内冬小麦遥感识别面积作为分层标志进行分层随机抽样,反推得到北京市冬小麦面积总量(59680hm2)。【结果】多时相冬小麦遥感识别结果MAE为0.17,bias为-0.05,抽样反推区域总量面积提高了约5%,在一定程度上纠正了HJ-1号卫星多期遥感影像提取冬小麦区域面积偏低的问题。【结论】本文方法能够准确测量出区域冬小麦总量面积,具有较强的应用性和普适性,为采用HJ-1号卫星遥感数据进行农作物种植面积遥感测量进行了先期的方法探讨,深化了该遥感数据源的应用。